沒有人會在孩子開始對聲音進行分類之前告訴他們哪些聲音屬於哪種語言。無監督學習的工作原理也是如此：演算法接收沒有標籤的數據，必須自行發現其中的結構。沒有標準答案可供參考，只有從資料自身結構湧現的模式。
聚類分析就是一個經典的例子。零售商可以將一年的購買記錄輸入聚類演算法，從而發現五個以前從未定義過的不同客戶群。降維是另一個例子：將數百個測量值壓縮成一個二維圖，同時保留有意義的關聯。
它賺得生活費
- 客戶細分在行銷的應用
- 網路流量或製造過程中的異常檢測
- 大型文件集中的主題發現
- 為後續監督任務進行預訓練表徵
標籤的缺失既是自由也是負擔。沒有真實標籤，結果評估就帶有主觀性，通常需要人為解釋聚類結果是否合理。然而，當標籤不可行或成本過高時，無監督方法就成了揭示數據背後真相的唯一方法。
Comments (2)
Leave a comment